比较与tf.keras.Model.fit、tf.keras.Model.fit_generator的功能差异
tf.keras.Model.fit
tf.keras.Model.fit(
x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None,
validation_split=0.0, validation_data=None, shuffle=True, class_weight=None,
sample_weight=None, initial_epoch=0, steps_per_epoch=None,
validation_steps=None, validation_freq=1, max_queue_size=10, workers=1,
use_multiprocessing=False, **kwargs
)
更多内容详见tf.keras.Model.fit。
tf.keras.Model.fit_generator
tf.keras.Model.fit_generator(
generator, steps_per_epoch=None, epochs=1, verbose=1, callbacks=None,
validation_data=None, validation_steps=None, validation_freq=1,
class_weight=None, max_queue_size=10, workers=1, use_multiprocessing=False,
shuffle=True, initial_epoch=0
)
更多内容详见tf.keras.Model.fit_generator。
mindspore.train.Model.train
mindspore.train.Model.train(epoch, train_dataset, callbacks=None, dataset_sink_mode=True, sink_size=-1)
更多内容详见mindspore.train.Model.train。
使用方式
tf.keras.Model.fit
和tf.keras.Model.fit_generator
分别支持数据集的不同载入方式,除基本的epoch
、callbacks
外;通过verbose
设置训练过程中的输出信息格式;通过validation*
等参数配置验证集,用于训练时的同步验证;通过workers
、 use_multiprocessing
配置多线程场景下的进程数;通过shuffle
设置训练时数据集是否混洗;其他入参不做详细说明,具体请参考官网API文档。
mindspore.train.Model.train
除了基本的训练参数epoch
、train_dataset
、callback
,还可以通过dataset_sink_mode
,sink_size
进行下沉配置。其他功能暂未提供。
代码示例
以下代码结果具有随机性。
import tensorflow as tf
import numpy as np
inputs = tf.keras.Input(shape=(3,))
x = tf.keras.layers.Dense(4, activation=tf.nn.relu)(inputs)
outputs = tf.keras.layers.Dense(5, activation=tf.nn.softmax)(x)
model = tf.keras.Model(inputs=inputs, outputs=outputs)
model.compile(loss='mae', optimizer='adam')
# fit
inputs_x = np.random.rand(10, 3)
inputs_y = np.random.rand(10, 5)
model.fit(inputs_x, inputs_y, batch_size=2)
# output:
# 10/10 [==============================] - 0s 18ms/sample - loss: 0.3080
# fit generator
def generate_data(data_num):
for _ in range(data_num):
yield np.random.rand(2, 3), np.random.rand(2, 5)
model.fit_generator(generate_data(5), steps_per_epoch=5)
# output:
# 5/5 [==============================] - 0s 77ms/step - loss: 0.3292
import mindspore as ms
from mindspore import nn
import numpy as np
from mindspore import dataset as ds
def get_data(num):
for _ in range(num):
yield np.random.rand(3).astype(np.float32), np.random.rand(4).astype(np.float32)
def create_dataset(num_data=16, batch_size=4):
dataset = ds.GeneratorDataset(list(get_data(num_data)), column_names=['data', 'label'])
dataset = dataset.batch(batch_size)
return dataset
class LinearNet(nn.Cell):
def __init__(self):
super().__init__()
self.fc = nn.Dense(3, 4)
def construct(self, x):
return self.fc(x)
net = LinearNet()
crit = nn.MSELoss()
opt = nn.Momentum(net.trainable_params(), learning_rate=0.05, momentum=0.9)
model = ms.Model(network=net, loss_fn=crit, optimizer=opt, metrics={"mae"})
train_dataset = create_dataset()
model.train(2, train_dataset)